多核融合框架下的雷达辐射源个体识别

该文利用机器学习中多核学习(Multiple Kernel Learning,MKL)算法的多源信息融合功能,提出一种基于核层面信息融合的雷达辐射源个体识别框架。对雷达辐射源信号所提取的不同特征表示,分别构建相应的核函数或核矩阵,然后通过一定的准则计算它们的组合系数,并同时或独立获得支持向量机的分类超平面,最终实现对辐射源信号的分类。特别地,该方法能够实现辐射源信号模糊函数多个"近零"切片特征的有效融合,得到比代表性切片更优的识别性能。在3组实测雷达辐射源数据上的实验表明了所提方法的有效性。     

适用于不确定文本分类的特征选择算法

基于Hilbert-Schmidt依赖性准则提出了一种新颖的特征选择算法FSUNT,重点考虑特征选择过程中可能出现的模糊性和不确定性.针对类标号不确定而其他特征值确定的文本数据,通过考察特征与不确定的类标号间的Hilbert-Schmidt相关性,对特征进行排序,并选取最终的结果子集.最后大量真实与仿真实验结果表明,基于该算法可得到良好的分类效果和稳定性.     

基于空间注意力与图卷积的多标签图像分类算法

针对传统多标签图像分类模型存在难以生成更接近相关标签的高层图像特征,以及因未能利用标签之间的视觉相关性而导致的识别精度不够高等问题,提出了一种基于空间注意力与图卷积的多标签图像分类算法.首先,利用图卷积网络学习标签邻接图特征和使用GLOVE算法,从标签序列获取的标签嵌入;其次,在高层语义信息中引入改进的空间注意力网络以...     

非平衡化标签补全核极限学习机多标签学习

目前众多的研究者通常直接将标签置信度矩阵作为先验知识直接加入到分类模型中,并没有考虑未标注先验知识对标签集质量的影响.基于此,引入非平衡参数的方法,将先验知识获得的基础置信度矩阵进行非平衡化,从而提出一种非平衡化的标签补全的核极限学习机多标签学习算法（KELM-NeLC）：首先使用信息熵计算标签之间的相关关系得到标签置信度矩阵,然后利用非平衡参数方法对基础的标签置信度矩阵进行改进,构建出一个非平衡的标签补全矩阵,最后为了学习获得更加准确的标签置信度矩阵,将非平衡化的标签补全矩阵与核极限学习机进行联合学习,依此解决多标签分类问题.提出的算法在公开的多个基准多标签数据集中的实验结果表明,KELM-NeLC算法较其他对比的多标签学习算法有一定优势,使用统计假设检验进一步说明所提出算法的有效性.     

一种适应于非完备标签数据和标签关联性的多标签分类方法

多标签分类已在很多领域得到了实际应用,所用标签大多具有很强的关联性,甚至存在非完备标签或部分标签遗失。然而,现有的多标签分类算法难以同时处理这两种情况。基于此,提出一种新的概率模型处理方法,实现同时对具有标签关联性和遗失标签情况进行多标签分类。该方法可以自动获知和掌握多标签的关联性。此外,通过整合遗失的标签信息,该方法能够提供一个自适应策略来处理遗失的标签。在完备标签和非完备标签的数据上进行实验,结果表明,与现有的多标签分类算法相比,提出的方法得到了较好的分类预测评价值。     

基于复合核支持向量回归机的多类分类算法

针对传统支持向量机(SVM)在解决多类分类问题时需要训练多个分类器、存在不可分区域等问题,研究了基于支持向量回归机的多类分类算法。利用回归思想求解多类分类问题,将分类样本作为回归输入,样本的类别标识作为回归输出,通过支持向量回归机训练拟合出各样本与其类别标识之间的函数关系。将待分类样本代入回归函数,对其输出取整后即可得到样本类别。该算法仅使用1个分类器,明显简化了分类过程。另外,引入复合核函数来提高支持向量回归机的性能。采用加州大学欧文分校(UCI)例题库中的多类分类问题进行仿真验证,并将改进算法与传统算法作对比,结果表明改进算法在分类速度和准确率上都有显著提高。     

基于聚类核函数的最小二乘支持向量机高光谱图像半监督分类

针对大规模的高光谱数据分类,为了利用未标签样本所含信息,来提升分类器性能,提出了一种半监督分类算法。该算法根据聚类假设,即属于同一类地物的样本点在聚类中被分为同一类的可能性较大的原则来改进核函数,采用基于光谱角度量的K均值聚类算法对样本集进行聚类,根据多次聚类的结果,构造包袋核函数,然后利用加法和乘法运算将包袋核函数和RBF核函数组合成新的核函数,从而把未标签样本信息融入分类器。而且采用最小二乘支持向量机,将标准支持向量机的二次规划问题转换为求解线性方程组的问题。高光谱实测数据实验表明了本文方法的优越性。      

一种基于多阶邻居的网络环境下多标签分类算法

随着标签分类应用的增长,社交网络环境下多标签分类已成为一个重要的数据挖掘研究领域.关系分类模型基于一阶邻居做标签分类,其性能优于传统的多标签分类器.但现有的关系分类模型也存在问题：第一,仅利用一阶邻居做分类,未能充分使用邻居信息.第二,网络数据通常包含大量不连通的孤立部分,其标签无法利用现有的关系分类模型分类.考虑基于共引规则为非孤立节点挖掘二阶邻居和基于节点特征向量相似度为孤立节点挖掘高阶邻居,本文提出一种新的基于多阶邻居的网络数据多标签分类算法,称为MORN算法.在多个真实数据集上将MORN与现有的关系分类模型作对比,实验表明,MORN算法能够学习到更多节点的标签且精度优于传统关系分类方法.     

样本线性化与数据去重的极限学习机

对于多标签分类中存在非线性的数据样本和重复的样本数据问题,本文提出了一种基于在线顺序极限学习机(On?line Sequential Extreme Learning Machine,OS-ELM)的改进算法—样本线性化和数据预处理极限学习机(PDC-ELM).PDC-ELM算法对线性不可分的数据样本先利用核函数进行处理,使数据样本具有线性可分的特征,对于处理后的数据样本,利用在线顺序极限学习机(OS-ELM)在计算之前对分类数据进行预处理,即从训练和测试数据集中查找不一样的特征标签并保存类标签中,实验中新生成的标签组将不具有重复的特征标签,大大减少了训练的对比次数.实验表明,相比于其他没有样本线性化和数据预处理的极限学习机模型,计算的准确度得到很大的提升,计算时间也有所降低.     

基于核空间联合稀疏表示和指数平滑的多基地水下小目标识别

针对多基地水下小目标分类识别问题,本文提出了一种基于核空间联合稀疏表示和指数平滑的多基地水下小目标识别方法 .对水下目标多角度散射信号提取6种典型的具有信息互补性和关联性的特征,提出一种随机森林（Random Forest,RF）和最小冗余最大相关（minimum Redundancy and Maximum Relevance,mRMR）相结合的特征选择方法（RF-mRMR）,得出综合的特征重要性排序结果 .通过实验得出分类模型所需的最优特征子集,达到降低数据处理复杂度和提高目标分类结果的目的 .为了捕捉到数据中的高阶结构,在联合稀疏表示模型的基础上,使用核函数将线性不可分的特征数据映射到高维核特征空间.为了充分挖掘稀疏重构后包含在残差波段中的有用信息,使用指数平滑公式对具有一定意义的残差信息进行再利用,最后由核特征空间下的最小误差准则判定目标的类别.应用本文提出的方法对4类目标的海试数据进行识别,结果表明,相较于其他7种对比算法,本文提出的改进方法具有更好的分类性能,而且大多数情况下,本文提出的算法在双基地声呐模式下具有比单基地声呐更高的识别准确率和更低的虚警率.     

基于核函数分类的多维时序特征选择方法应用

研究了多维时序的特征选择问题在目标距离像识别中的应用,提出了一种基于核函数分类算法的主分量分析方法。讨论了主分量分析的原理,提出了一种基于核函数的分类算法用于多维时序的特征选择,最后利用该方法对目标距离像多维时序进行了仿真实验,实验结果表明了所应用方法的可行性和有效性。     

基于RBF的支持向量数据描述算法性能分析

核函数的选择对支持向量数据描述算法(SVDD)的性能有重要的影响,是SVDD研究的一个核心问题.通过对SVDD算法中常用核函数进行分析,验证了高斯核函数在单值分类问题上具有一定的优越性,并分别探讨相同样本数据集不同规模样本和不同样本数据集相似规模样本中,高斯核参数对SVDD分类器的影响.实验表明,基于高斯核函数的支持,向量数据描述算法适合于小规模样本的单值分类问题.     

基于模糊测量函数的多标签图数据特征提取研究

如今,图数据分类变得越来越重要。最近几十年对它的研究也越来越多,并且得到了广泛应用。传统的图数据分类研究主要集中在单标签集,然而在很多应用中,每个图数据都会同时具有多个标签集。这篇文章研究了关于图数据的多标签特征提取问题,并提出基于模糊测量函数的多标签图数据特征提取算法,用于搜索最优子图集。算法采用模糊测量函数作为评估标准评估子图特征的重要性,然后通过边枝界定算法修剪子图搜索空间有效地搜索最优子图特征。实验证明,该方法在现实应用中有较高的精度。     

基于SVM新闻文本分类的研究

网络新闻自动分类已经成为当下的热点问题,SVM分类算法是文本分类中应用较为成熟的一种方法.文章针对SVM文本分类中特征选择和核函数选择的两个重要问题,在新闻文本实验环境下进行了探讨,结果表明使用互信息特征选择法且特征数在4000左右,使用SIGMOID核函数的情况下准确率与召回率均可达到97％的分类效果.     

基于中心对齐多核学习的稀疏多元逻辑回归算法

稀疏多元逻辑回归(SMLR)作为一种广义的线性模型被广泛地应用于各种多分类任务场景中。SMLR通过将拉普拉斯先验引入多元逻辑回归(MLR)中使其解具有稀疏性,这使得该分类器可以在进行分类的过程中嵌入特征选择。为了使分类器能够解决非线性数据分类的问题,该文通过核技巧对SMLR进行核化扩充后得到了核稀疏多元逻辑回归(KSMLR)。KSMLR能够将非线性特征数据通过核函数映射到高维甚至无穷维的特征空间中,使其特征能够充分地表达并最终能进行有效的分类。此外,该文还利用了基于中心对齐的多核学习算法,通过不同的核函数对数据进行不同维度的映射,并用中心对齐相似度来灵活地选取多核学习权重系数,使得分类器具有更好的泛化能力。实验结果表明,该文提出的基于中心对齐多核学习的稀疏多元逻辑回归算法在分类的准确率指标上都优于目前常规的分类算法。     

一种新的用于文本分类的特征选择算法

目前在文本分类领域较常用到的特征选择算法中,仅仅考虑了特征与类别之间的关联性,而对特征与特征之间的关联性没有予以足够的重视.在特征相关性分析的基础上,提出了一种新的算法,改进了特征选择算法中所出现的上述问题.实验验证了算法的可行性和有效性.     

基于小波变换及奇异值特征提取的空间目标识别

对基于仿真的空间目标逆合成孔径雷达(ISAR)图像,提出了相应的空间目标特征提取及目标识别算法.首先建立了空间目标三维散射点阵模型,利用距离-多普勒成像算法对其进行了ISAR成像仿真,建立目标识别数据库;其次利用小波分解原理,提取二维小波变换后4个子图的奇异值特征;最后分别应用多项式核(Polynomial)及径向基函数核(RBF)支持向量机(SVM)进行分类识别.仿真实验研究了识别率与特征数目的关系及两类核函数SVM的分类性能,并达到了较好的识别效果,从而验证了本文算法的有效性.     

优化多核SVM的蛋白质二级结构预测

蛋白质序列的不同特征提取方式对蛋白质结构分类有很大的影响。为更好地表达蛋白质结构信息,基于特征融合思想构建特征向量,并使用一种基于多核支持向量机的方法,以多个核函数的线性加权代替传统的单一核函数,在对多类特征进行整合后构造SimpleMKL分类模型;利用梯度下降法迭代求解核函数的权值系数,并校准核函数参数和不同特征表达的融合效果。实验结果表明,该方法提高了蛋白质二级结构分类精度,在分类精度方面有明显优势,有助于准确预测蛋白质的二级结构。     

融合标签关联的隐空间数据增强多标签文本分类方法

多标签文本分类是自然语言处理中文本分类任务的一个分支。目前单标签的文本分类算法已经较为成熟，但是多标签文本分类仍是一项重要而且有挑战的任务。在多标签文本分类任务中，标签之间往往存在关联，但各类标签在样本数量上存在较为严重的不平衡问题。为此，文中提出一种利用标签之间的先验知识，在隐空间中进行数据增强的方法，缓解多标签文本分类数据不平衡造成的模型过拟合及泛化能力差的问题。所提方法可适用于不同的神经网络模型，在多个开放数据集上的实验结果表明，该方法可以有效提升多标签文本分类的性能，对少样本类别的预测性能提升显著，对于多样本类别的预测性能也可以达到很好的效果。     

基于加权Pin-SVM的钢板表面缺陷分类

针对带钢表面缺陷分类问题,提出了一种加权Pin-SVM(WPin-SVM-n)模型。WPinSVM-n是在Pin-SVM的基础上,结合权重生成算法来解决分类问题。WPin-SVM-n利用Pinball损失函数实现了特征噪声不敏感特性。此外,WPin-SVM-n又引入了样本的权重,实现了标签噪声不敏感特性。另一方面,将WPin-SVM-n与二叉树相结合,解决了钢板表面缺陷的多类分类问题。最后,对六种带钢表面缺陷进行了试验研究。实验结果表明,多类WPin-SVM-n分类器(WPin-SVMs)在分类精度方面取得了令人满意的结果。